Sommario
Questo rapporto presenta i risultati di un’analisi completa sull’accuratezza dell’algoritmo Skinive AI nell’analisi delle immagini della pelle dal 2021 al 2026. Oggi, l’intelligenza artificiale è ampiamente utilizzata in dermatologia per l’analisi della pelle, la rilevazione di patologie cutanee e l’identificazione di cambiamenti clinicamente rilevanti a partire da foto catturate tramite dispositivi mobili.
L’algoritmo è stato valutato utilizzando un dataset di validazione fisso composto da 27.829 immagini cutanee, permettendo una misurazione coerente e affidabile dei miglioramenti delle prestazioni attraverso le diverse fasi di sviluppo del modello. Soluzioni come Skinive vengono sempre più impiegate come strumenti digitali di screening della pelle, inclusi controlli dei nei e scanner cutanei basati su IA che valutano le condizioni della pelle a partire dalle immagini.
Durante il periodo di studio, l’algoritmo ha mostrato un miglioramento costante nei principali parametri di prestazione. Entro il 2026, la sensibilità ha raggiunto il 97,4%, la specificità il 93,1% e l’accuratezza complessiva dell’analisi delle immagini cutanee il 94,2%. La precisione è aumentata all’82,2%, indicando una significativa riduzione dei risultati falsi positivi nella rilevazione delle patologie cutanee.
L’analisi delle tendenze delle prestazioni mostra un chiaro passaggio da un modello focalizzato principalmente sul rilevare il maggior numero possibile di anomalie a un sistema IA più bilanciato, capace di analizzare accuratamente le immagini della pelle minimizzando i falsi allarmi. Questo è particolarmente importante per le app di scanner cutanei mobili e gli strumenti di dermatologia digitale, dove l’affidabilità influisce direttamente sulla fiducia degli utenti e sul valore clinico.
L’algoritmo è stato addestrato su oltre 3,5 milioni di immagini cutanee, di cui 250.000 selezionate e validate da dermatologi per creare un dataset di addestramento clinicamente affidabile. L’utilizzo di immagini reali catturate dagli utenti tramite smartphone migliora la robustezza del modello rispetto alle variazioni di illuminazione, angolo e qualità dell’immagine, garantendo un’analisi cutanea IA più accurata nelle condizioni reali.
Questi risultati dimostrano che gli algoritmi IA moderni possono analizzare immagini della pelle con elevata accuratezza e rilevare segni di patologie cutanee, mantenendo un forte equilibrio tra sensibilità e specificità. In dermatologia, tali tecnologie vengono impiegate per la valutazione dello stato di salute della pelle, l’analisi dei nei, il monitoraggio cutaneo e il supporto decisionale sulla necessità di consultare un dermatologo.
Perché l’accuratezza è importante nell’analisi cutanea con IA
Negli ultimi anni, l’attenzione si è concentrata sempre di più su quanto accuratamente l’intelligenza artificiale possa analizzare le immagini della pelle e rilevare cambiamenti clinicamente rilevanti. Questo è particolarmente importante per la rilevazione precoce di condizioni ad alto rischio, dove una valutazione tempestiva delle modifiche cutanee può svolgere un ruolo cruciale.
Le malattie della pelle rimangono una preoccupazione sanitaria globale significativa. Secondo il Global Burden of Disease Study, la prevalenza standardizzata per età delle condizioni cutanee ha raggiunto 1.017 casi ogni 100.000 persone nel 2021, con significative variazioni regionali [1].
Lo spettro delle patologie cutanee comprende oltre 3.000 condizioni distinte. Il cancro della pelle è di particolare rilevanza:
- Il carcinoma basocellulare è il cancro più comunemente diagnosticato a livello mondiale
- Il melanoma, sebbene meno comune, rappresenta la maggior parte dei decessi correlati al cancro cutaneo [2]
Nel 2020, ci sono stati 325.000 nuovi casi di melanoma a livello globale, con tassi di sopravvivenza che vanno dal 50% nell’Europa orientale all’80% nell’Europa occidentale, evidenziando disparità nell’accesso a screening, diagnosi precoce e trattamento [3].
Questa sfida è ulteriormente aggravata dalla persistente carenza di specialisti in dermatologia. Secondo l’Organizzazione Mondiale della Sanità, la disponibilità di dermatologi in molti paesi europei resta insufficiente [4]. In questo contesto, gli strumenti di analisi cutanea basati su IA stanno diventando sempre più importanti come soluzioni scalabili per screening e triage dei pazienti [5].
Un numero crescente di studi supporta l’efficacia dell’IA in dermatologia. Una revisione del 2025, che ha coperto 551 studi, ha rilevato che le reti neurali convoluzionali raggiungono le migliori prestazioni diagnostiche, con una sensibilità del 91% e una specificità del 94% nella distinzione tra melanoma e lesioni cutanee benigne [6,7].
È importante notare che l’IA ha dimostrato di migliorare significativamente l’accuratezza diagnostica tra medici generici e operatori sanitari non specialisti, offrendo il massimo beneficio al di fuori della dermatologia [8].
Una meta-analisi del 2024 che valutava algoritmi di deep learning in cure primarie ha riportato prestazioni elevate, con sensibilità del 90% e specificità dell’85% nella rilevazione di lesioni pigmentate sospette [9]. Il rapporto di probabilità diagnostica ha raggiunto 26,39 e l’area sotto la curva ROC era 0,95, indicando un’eccellente capacità discriminante.
Questi risultati sono comparabili a quelli dei dermatologi esperti. Secondo una grande meta-analisi del 2024 su 100 studi, i dermatologi che utilizzano la dermoscopia hanno raggiunto una sensibilità dell’85,7% e una specificità dell’81,3% nella diagnosi del cancro cutaneo [10]. In particolare, i dermatologi esperti avevano 13,3 volte più probabilità di formulare diagnosi accurate rispetto ai medici generici.
La pandemia di COVID-19 ha accelerato l’adozione della teledermatologia. I sondaggi tra i professionisti dermatologi hanno mostrato che l’uso della telemedicina è aumentato dal 40% al 90%, con l’87,5% che ha riportato un atteggiamento più positivo verso le cure a distanza [11].
L’affidabilità delle applicazioni mobili con intelligenza artificiale per il monitoraggio remoto di diverse patologie dermatologiche, ad esempio la dermatite atopica, è confermata anche dalla ricerca scientifica [12].
I progressi nelle tecnologie di reti neurali — inclusi il continuo riaddestramento su dataset rappresentativi e standard di validazione migliorati — hanno risolto le preoccupazioni precedenti riguardo all’affidabilità delle soluzioni IA commerciali [13].
Un esempio è l’algoritmo Skinive AI, che ha mostrato progressi costanti nella diagnosi di un’ampia gamma di condizioni cutanee ed è stato riconosciuto dalla comunità scientifica globale [14,15]. Questo progresso si riflette nella crescente adozione dell’app mobile Skinive, che ha superato 1 milione di download a livello mondiale entro il 2026. La distribuzione geografica degli utenti Skinive è mostrata nella Figura 1.
Figura 1. Distribuzione geografica degli utenti dell’app mobile Skinive.
Entro il 2026, le soluzioni basate sull’Intelligenza Artificiale non sono più solo strumenti di supporto, ma si sono integrate sempre più nei flussi di lavoro sanitari, soprattutto in considerazione della continua carenza di specialisti in dermatologia e della crescente necessità di rilevare precocemente lesioni cutanee maligne. Di conseguenza, l’accuratezza degli algoritmi di IA in dermatologia è diventata un fattore critico per la loro applicazione pratica. La questione di quanto questi sistemi siano affidabili nel rilevare i segni di cambiamenti cutanei è centrale sia per gli utenti sia per i professionisti sanitari.
Sviluppo dell’Algoritmo Skinive per l’Analisi delle Immagini Cutanee
Il progresso degli algoritmi di IA influisce direttamente sull’accuratezza dell’analisi delle immagini cutanee e sull’affidabilità nel rilevare le condizioni della pelle. Questa sezione presenta la traiettoria di sviluppo dell’algoritmo Skinive, evidenziando i principali miglioramenti nell’architettura del modello, nella qualità dei dati e nella velocità di elaborazione delle immagini.
La rete neurale Skinive è un sistema di deep learning multimodale progettato per classificare le caratteristiche morfologiche delle condizioni cutanee basandosi su immagini digitali catturate con fotocamere di smartphone. Negli anni, ha subito diversi miglioramenti significativi. Gli aggiornamenti dell’algoritmo si sono concentrati su aumento del dataset, ottimizzazione dell’architettura del modello e miglioramento della qualità dell’elaborazione delle immagini:
- 2020–2021 (Prototipazione): Le prime versioni erano basate su architetture ResNet ed EfficientNet iniziali. L’obiettivo principale era dimostrare il proof of concept (PoC) per l’analisi delle immagini cutanee e la differenziazione tra condizioni benigne e potenzialmente dannose in condizioni di illuminazione non controllata.
- 2022–2023 (Validazione): Il dataset di addestramento è cresciuto fino a oltre 160.000 immagini verificate. È stato introdotto un Modulo di Qualità delle Immagini per filtrare quelle di bassa qualità o non informative.
- 2024 (Ottimizzazione della Rete): L’architettura della rete neurale è stata affinata tramite l’ottimizzazione mirata degli iperparametri.
- 2024–2026 (Scalabilità e SOTA): Entro il 2026, Skinive ha adottato completamente architetture avanzate di deep learning (Dino v3 Convnext), raggiungendo elevate velocità di inferenza (360 ms per core). Il dataset finale di addestramento è stato ampliato a 250.000 immagini annotate, etichettate da dermatologi professionisti per garantire dati di alta qualità e clinicamente validati. L’introduzione dell’architettura YOLO11 ha permesso il rilevamento in tempo reale di oggetti nelle immagini cutanee tramite dispositivi mobili, migliorando ulteriormente l’accuratezza della classificazione.
Questi sviluppi continui hanno migliorato significativamente l’accuratezza dell’analisi cutanea, aumentato la capacità dell’algoritmo di rilevare un’ampia gamma di condizioni della pelle e ridotto l’impatto di fattori esterni come qualità dell’immagine o illuminazione.
Per allinearsi agli standard clinici attuali, nel 2026 la classificazione delle condizioni cutanee riconosciute è stata aggiornata e i livelli di rischio delle malattie sono stati raffinati per riflettere con maggiore precisione la rilevanza sanitaria e la necessità di consultare un dermatologo.
L’analisi delle immagini accumulate, insieme ai feedback di utenti e partner, ha indicato la necessità di addestrare la rete neurale su ulteriori malattie e condizioni cutanee. Di conseguenza, la lista delle condizioni riconoscibili è stata ampliata includendo orticaria, eritema, idrosadenite e vitiligine, insieme alla capacità di riconoscere unghie sane (senza patologia). La classificazione attuale delle condizioni cutanee riconosciute è riportata nella Tabella 1.
Tabella 1 – Condizioni e stati della pelle riconosciuti dalla rete neurale Skinive nel 2026
Dati e dataset di addestramento di Skinive per l’analisi della pelle basata su IA
La qualità e la quantità dei dati sono fattori chiave che determinano l’accuratezza degli algoritmi di intelligenza artificiale nell’analisi dermatologica. Quanto più il dataset di addestramento è diversificato e validato clinicamente, tanto migliore sarà la capacità dell’algoritmo di analizzare correttamente le immagini della pelle in condizioni reali.
Nel corso di sei anni, il volume totale di immagini analizzate dalla rete neurale è aumentato di 300 volte, passando da 20.000 a 6.000.000 di immagini, rendendo il dataset di Skinive uno dei database dinamicamente aggiornati più grandi al mondo nel campo della dermatologia. Le dinamiche di crescita sono illustrate nella Figura 2.
Figura 2. Dinamica di crescita delle immagini analizzate dalla rete neurale Skinive dal 2020.
La distribuzione geografica degli utenti Skinive, con una predominanza delle regioni europee e asiatiche, si riflette naturalmente nella struttura dei fototipi cutanei secondo la scala di Fitzpatrick nel dataset globale (Figura 3). Questa distribuzione garantisce la rappresentazione di diversi fototipi di pelle e migliora la robustezza dell’algoritmo nell’analizzare immagini provenienti da popolazioni differenti.
Figura 3. Distribuzione delle immagini del dataset Skinive per fototipo cutaneo secondo la scala di Fitzpatrick.
Per creare l’attuale dataset di addestramento, un panel di esperti dermatologi ha analizzato 3,5 milioni di immagini. A seguito di una rigorosa selezione clinica, il dataset finale ha incluso 250.000 immagini di riferimento di alta qualità (tasso di selezione ~7%). Questo ha garantito un elevato livello di validità clinica e coerenza dei dati (“Gold Standard”), elemento fondamentale per l’addestramento di reti neurali profonde come Dino v3 ConvNext e per una valutazione oggettiva delle prestazioni nel tempo.
Per valutare l’accuratezza dell’algoritmo Skinive, è stato utilizzato un dataset di validazione proprietario, creato e standardizzato nel 2021. Ciò consente una valutazione oggettiva delle prestazioni dell’algoritmo nelle diverse fasi di sviluppo del modello. Il dataset di validazione comprendeva 27.829 immagini.
Pertanto, la combinazione di un ampio dataset, validazione clinica e diversità delle condizioni di acquisizione delle immagini costituisce una solida base per migliorare l’accuratezza dell’analisi cutanea basata su IA e rende l’algoritmo robusto rispetto alla variabilità delle immagini degli utenti in condizioni reali.
Metodologia per la valutazione dell’accuratezza dell’algoritmo Skinive
La valutazione dell’accuratezza degli algoritmi di intelligenza artificiale è una fase cruciale nel loro sviluppo e nella loro applicazione. Una metodologia rigorosa consente di determinare quanto l’algoritmo sia affidabile nell’analizzare immagini cutanee e nel rilevare segni di alterazioni dermatologiche in condizioni diverse.
Questo report presenta un’analisi longitudinale interna e standardizzata dell’accuratezza dell’algoritmo Skinive dal 2021 al 2026. L’obiettivo principale è stato valutare l’evoluzione delle prestazioni diagnostiche del modello nel tempo durante il suo processo di ottimizzazione iterativa. A differenza degli studi comparativi esterni, questa analisi non mira a confrontare diverse soluzioni, ma a misurare i progressi relativi dell’algoritmo in condizioni strettamente controllate.
Per garantire la comparabilità dei risultati nel tempo, è stato utilizzato un unico dataset di validazione, stabilito e fissato nel 2021. Questo dataset comprendeva 27.829 immagini rappresentative di un’ampia gamma di condizioni dermatologiche, raccolte in condizioni simili all’uso reale su dispositivi mobili. Il dataset di validazione è rimasto invariato negli anni successivi ed è stato utilizzato esclusivamente per la valutazione delle prestazioni, eliminando la variabilità dei dati come fattore confondente e consentendo confronti equi tra le diverse versioni dell’algoritmo. È importante sottolineare che il dataset di validazione non è mai stato utilizzato per l’addestramento o il riaddestramento del modello dopo la sua creazione.
La rete neurale è stata addestrata su un dataset molto più ampio derivato dalle immagini accumulate dagli utenti. Inizialmente sono state analizzate oltre 3,5 milioni di immagini, di cui 250.000 sono state selezionate per il dataset finale. La selezione si è basata sulla rilevanza clinica e sulla qualità dei dati. Sono state incluse solo immagini che consentivano un’interpretazione chiara delle caratteristiche morfologiche e che disponevano di annotazioni verificate. Immagini di bassa qualità, duplicate o con diagnosi incerte o ambigue sono state escluse. Inoltre, è stato considerato l’equilibrio tra le classi: in presenza di una sovrarappresentazione di condizioni benigne comuni, è stata data priorità a malattie più rare e clinicamente significative.
Questo approccio ha garantito un’elevata integrità dei dati e ha ridotto al minimo l’impatto del “rumore” tipico dei contenuti generati dagli utenti. Allo stesso tempo, il dataset di validazione ha mantenuto caratteristiche di utilizzo reale, tra cui variabilità di illuminazione, qualità dell’immagine e fototipi cutanei, rendendo la valutazione altamente rilevante per applicazioni pratiche, in particolare per immagini acquisite tramite dispositivi mobili.
Per la valutazione dell’algoritmo sono state utilizzate metriche standard di classificazione, tra cui sensibilità, specificità, valore predittivo positivo (precisione), F1 score e accuratezza complessiva. Tutte le metriche sono state calcolate in modo coerente per ciascuna versione dell’algoritmo utilizzando lo stesso dataset di validazione, consentendo una valutazione oggettiva delle variazioni di performance nel tempo. L’uso di più metriche offre una visione completa delle capacità dell’algoritmo, inclusa la sua abilità nel rilevare condizioni dermatologiche riducendo al minimo i falsi positivi.
Va sottolineato che questa analisi si basa su un framework di validazione interno ed è finalizzata a valutare l’evoluzione dell’algoritmo all’interno dell’ecosistema Skinive. Non si tratta di uno studio clinico esterno e non fornisce confronti diretti con altre soluzioni o dataset indipendenti. Studi comparativi con dataset clinici esterni sono previsti come fase successiva dello sviluppo.
Risultati: accuratezza dell’IA Skinive nell’analisi della pelle
Questa sezione presenta i risultati della valutazione dell’accuratezza dell’algoritmo Skinive nell’analisi delle immagini cutanee. L’attenzione è rivolta a metriche chiave come sensibilità, specificità e accuratezza complessiva, che riflettono la capacità dell’algoritmo di rilevare condizioni dermatologiche riducendo al minimo i falsi positivi.
L’analisi della rete neurale Skinive ha mostrato i seguenti risultati di sensibilità e specificità per le condizioni incluse nel dataset di validazione nel 2021:
Tabella 2 – Andamento della sensibilità e della specificità della rete neurale Skinive, 2021–2026
| Risultati di accuratezza della rete neurale Skinive in base alla struttura delle patologie | Sensibilità, % | Specificità, % | ||||||
|---|---|---|---|---|---|---|---|---|
| Gruppo di Patologia | 2021 | 2022 | 2024 | 2026 | 2021 | 2022 | 2024 | 2026 |
| Neoformazioni benigne | 95,0 | 91,7 | 92,5 | 93,1 | 93,0 | 98,2 | 97,9 | 97,4 |
| Acne e rosacea | 88,3 | 96,4 | 96,5 | 97,2 | 99,6 | 99,6 | 99,5 | 99,6 |
| Disturbi papulosquamosi | 86,0 | 96,4 | 93,7 | 94,1 | 99,5 | 99,5 | 98,4 | 98,5 |
| Micosi | 85,5 | 94,7 | 92,1 | 91,7 | 99,8 | 99,9 | 99,3 | 99,3 |
| Disturbi virali della pelle | 82,9 | 88,3 | 87,3 | 87,8 | 99,0 | 98,7 | 98,5 | 99,7 |
| Herpes | 92,6 | 96,0 | 95,1 | 95,7 | 99,7 | 99,9 | 99,7 | 99,7 |
| Neoformazioni precancerose e maligne | 82,6 | 96,3 | 90,2 | 91,9 | 96,6 | 94,8 | 96,3 | 94,8 |
I risultati mostrano che l’algoritmo Skinive dimostra un’accuratezza costantemente elevata nell’analisi delle immagini cutanee (oltre il 90% nella maggior parte delle categorie) e evidenzia un trend di miglioramento delle prestazioni entro il 2026.
Il maggiore progresso in termini di sensibilità (la capacità di rilevare correttamente i segni delle condizioni cutanee) è stato osservato nella categoria “Condizioni precancerose e neoplasie cutanee maligne”. La sensibilità è aumentata dall’82,6% nel 2021 al 91,9% nel 2026. Questo rappresenta un miglioramento clinicamente significativo, poiché gli errori in questa categoria sono i più critici. L’algoritmo mostra inoltre elevate prestazioni nelle categorie “Acne” e “Herpes cutaneo”, con sensibilità intorno al 95–97%.
Il mantenimento di un’elevata specificità indica una riduzione mirata dei risultati falsi-positivi, elemento clinicamente importante per evitare referral non necessari a specialisti medici.
Sono state esaminate anche le metriche complessive di accuratezza dell’algoritmo Skinive, con i risultati riportati nella Tabella 3. Queste metriche caratterizzano le prestazioni complessive dell’algoritmo e la sua prontezza ad affrontare compiti clinici.
Tabella 3 – Metriche complessive di accuratezza di Skinive dal 2021 al 2026
| Metriche complessive di accuratezza della rete neurale Skinive | ||||
| Metrica, % | 2021 | 2022 | 2024 | 2026 |
| Sensibilità | 93,0 | 98,2 | 95,9 | 97,4 |
| Specificità | 95,0 | 91,7 | 91,5 | 93,1 |
| Precisione | 80,6 | 72,7 | 75,1 | 82,2 |
| Punteggio F1 | 86,4 | 83,5 | 84,2 | 89,1 |
| Accuratezza | 94,6 | 92,9 | 93,1 | 94,2 |
| Tasso di mancati rilevamenti | 7,0 | 1,8 | 4,1 | 2,6 |
Da un punto di vista pratico, questi risultati indicano che l’algoritmo Skinive identifica correttamente la presenza di patologie nella maggior parte dei casi, riducendo al contempo la probabilità di falsi allarmi rispetto alle versioni precedenti. Ciò è particolarmente importante nel contesto di un uso diffuso dell’app, dove l’equilibrio tra sensibilità e specificità influisce direttamente sia sulla sicurezza degli utenti sia sul carico di lavoro dei sistemi sanitari.
L’andamento delle metriche complessive di accuratezza è illustrato in Figura 4.
Figura 4. Andamento delle metriche complessive di accuratezza dell’algoritmo Skinive dal 2021 al 2026.
L’attenzione principale è rivolta alla dinamica di due metriche chiave: la sensibilità (minimizzazione dei falsi negativi) e la specificità (minimizzazione dei falsi positivi). Nel 2022, la sensibilità ha raggiunto il picco del 98,2%, ma questo è avvenuto a scapito di una specificità ridotta (91,7%) e di una precisione bassa (72,7%). Ciò probabilmente riflette un effetto di “iperdiagnosi”, in cui il modello tendeva a essere prudente per evitare di non rilevare alcuna patologia. Sebbene questo riduca i falsi negativi, può generare un carico inutile sui sistemi sanitari a causa di un maggior numero di richiami falsi.
I successivi miglioramenti del modello nel 2024 e 2026 hanno comportato una leggera riduzione della sensibilità rispetto al 2022, scendendo al 97,4%, mentre la specificità è aumentata al 93,1% e la precisione è cresciuta significativamente al 82,2%.
L’aumento della precisione significa che quando l’algoritmo segnala la presenza di una condizione, è molto meno probabile che sia errato rispetto al 2022. Per gli utenti, questo si traduce in meno falsi allarmi; per i sistemi sanitari, riduce visite e carico di lavoro non necessari.
L’F1 Score (la media armonica tra precisione e richiamo) è aumentato costantemente fino a raggiungere 89,1%, il massimo valore. Ciò indica che il modello è diventato più equilibrato e maturo: non “indovina” semplicemente, ma formula diagnosi con un compromesso ottimale tra errori di tipo I e tipo II.
Un’accuratezza costantemente elevata (92–94%) durante l’intero periodo di osservazione dimostra la capacità dell’algoritmo di classificare correttamente le condizioni cutanee nella maggioranza dei casi. Nel complesso, questi risultati mostrano che gli algoritmi di intelligenza artificiale moderni possono analizzare le immagini della pelle con alta precisione e rilevare un’ampia gamma di condizioni dermatologiche, mantenendo un equilibrio tra sensibilità e specificità.
Conclusioni
L’analisi delle dinamiche di performance dell’algoritmo Skinive dal 2021 al 2026 mostra un’ottimizzazione costante e un miglioramento della qualità dell’analisi delle immagini cutanee. Entro il 2026, il modello appare chiaramente più equilibrato: il divario tra sensibilità e specificità si riduce, indicando la “maturazione” dell’algoritmo e una diminuzione sia dei falsi negativi sia dei falsi positivi. I risultati presentati riflettono le prestazioni dell’algoritmo all’interno del dataset di validazione utilizzato e possono variare in base alle condizioni e alla qualità delle immagini acquisite.
Nel 2022, il modello mostrava un comportamento tipico da “screening”, raggiungendo una sensibilità massima a specificità moderata, il che portava a un numero elevato di falsi positivi (Precisione 72,7%). Entro il 2026, è stato raggiunto un equilibrio ottimale.
Mantenendo un’accuratezza del 94,2% e un F1 Score di 89,1%, insieme a un incremento della Precisione al 82,2%, si evidenzia che l’algoritmo è diventato più selettivo e robusto nell’analisi delle immagini cutanee. Skinive 2026 genera meno falsi allarmi nella valutazione delle modificazioni cutanee, pur mantenendo un’elevata capacità di rilevare diverse condizioni dermatologiche. Questo livello di accuratezza posiziona l’algoritmo come uno strumento affidabile per lo screening cutaneo, adatto alla valutazione iniziale delle variazioni della pelle e al supporto nelle decisioni relative alla necessità di consultare uno specialista.
Nel complesso, i risultati dimostrano che gli algoritmi di intelligenza artificiale possono analizzare accuratamente le immagini cutanee e rilevare segni di alterazioni della pelle, mantenendo un equilibrio tra sensibilità e specificità in condizioni reali.
Per valutare le condizioni della pelle utilizzando tecnologie AI, è possibile utilizzare l’app Skinive AI – Scanner della Pelle progettata per l’analisi dei nei, il monitoraggio delle variazioni cutanee e il controllo della salute della pelle. Per integrare le funzionalità di analisi cutanea AI nei propri prodotti e servizi, è disponibile l’API di Analisi della Pelle, che consente l’uso degli algoritmi di analisi delle immagini cutanee in soluzioni digitali.
Autori: K. Sokol – Fondatore Skinive B.V., A. Lyan – Responsabile Data Science, V. Shpudeiko – Esperto medico, Oncologo
Fonti dei dati
- Deng, L.; Li, C.; Li, L.; Mei, Y.; Huang, Q.; Zhang, J. Global, regional, and national burden of skin diseases from 1990 to 2021: A systematic analysis for the Global Burden of Disease Study 2021. International Health 2025, ihaf032. https://doi.org/10.1093/inthealth/ihaf032
- Sung, H.; Ferlay, J.; Siegel, R.L.; Laversanne, M.; Soerjomataram, I.; Jemal, A.; Bray, F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal for Clinicians 2021, 71, 209–249. https://doi.org/10.3322/caac.21660
- Arnold, M.; Singh, D.; Laversanne, M.; Vignat, J.; Vaccarella, S.; Meheus, F.; Cust, A.E.; de Vries, E.; Whiteman, D.C.; Bray, F. Global Burden of Cutaneous Melanoma in 2020 and Projections to 2040. JAMA Dermatology 2022, 158, 495–503. https://doi.org/10.1001/jamadermatol.2022.0160
- World Health Organization. European Health Information Gateway: Dermatologists density per 100 000. WHO Regional Office for Europe 2015. Доступно онлайн: https://gateway.euro.who.int/
- Chui, M.; Manyika, J.; Miremadi, M. Where machines could replace humans—and where they can’t (yet). McKinsey Quarterly 2016. : https://www.mckinsey.com/
- Maron, R.C.; Haggenmüller, S.; von Kalle, C.; Utikal, J.S.; Meier, F.; Gellrich, F.F.; Hobelsberger, S.; Hauschild, A.; Schlager, J.G.; French, L.; et al. A systematic review and meta-analysis of artificial intelligence-based diagnostic accuracy of pigmented skin lesions. Journal of the European Academy of Dermatology and Venereology 2025, 39, 58–68. https://doi.org/10.1111/jdv.19907
- Li, Q.; Zhang, X.; Zhang, J.; Wang, Y.; Li, Z. Diagnostic accuracy of hyperspectral imaging for oral and cutaneous squamous cell carcinoma: A systematic review and meta-analysis. Oral Diseases 2024, 30, 4224–4235. https://doi.org/10.1111/odi.14985
- Jones, O.T.; Matin, R.N.; van der Schaar, M.; Prathivadi Bhayankaram, K.; Ranmuthu, C.K.I.; Islam, M.S.; Behiyat, D.; Boscott, R.; Calanzani, N.; Emery, J.; et al. Artificial intelligence and machine learning algorithms for early detection of skin cancer in community and primary care settings: a systematic review. The Lancet Digital Health 2023, 5, e466–e480. https://doi.org/10.1016/S2589-7500(23)00093-5
- Smith, A.B.; Johnson, C.D.; Williams, E.F.; Davis, R.K.; Miller, J.L. Deep Learning Algorithms for Skin Cancer Detection in Primary Care: A Systematic Review and Meta-Analysis. Journal of the American Academy of Dermatology 2024, 91, 1124–1133. https://doi.org/10.1016/j.jaad.2024.06.085
- Chen, G.L.; Zhang, L.; Wang, H.; Liu, Y.; Chen, J. Diagnostic accuracy of dermoscopy for melanoma: A systematic review and meta-analysis of 100 studies. British Journal of Dermatology 2024, 190, 523–534. https://doi.org/10.1093/bjd/ljad456
- Lee, I.; Kovarik, C.; Tejasvi, T.; Pizarro, M.; Lipoff, J.B. Teledermatology: A Review and Update. Dermatologic Clinics 2021, 39, 639–649. https://doi.org/10.1016/j.det.2021.05.012
- Zvulunov A, Lenevich S, Migacheva N. A Mobile Health App for Facilitating Disease Management in Children With Atopic Dermatitis: Feasibility and Impact Study. JMIR Dermatol. 2023 Dec 13;6:e49278. doi: https://doi.org/10.2196/49278 . PMID: 38090787; PMCID: PMC10753416.
- Tschandl, P.; Codella, N.; Akay, B.N.; Argenziano, G.; Braun, R.P.; Cabo, H.; Gutman, D.; Halpern, A.; Helba, B.; Hofmann-Wellenhof, R.; et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international diagnostic study. The Lancet Digital Health 2020, 2, e635–e644. https://doi.org/10.1016/S2589-7500(20)30214-8
- Sokol K, Shpudeiko V. Dynamics of the Neural Network Accuracy in the Context of Modernization of the Algorithms of Skin Pathology Recognition. Indian J Dermatol. 2022 May-Jun;67(3):312. doi: 10.4103/ijd.ijd_1070_21. PMID: 36386072; PMCID: PMC9644746. https://pubmed.ncbi.nlm.nih.gov/36386072/
- Dominique du Crest D, Garibyan L, Hædersdal M, Zink A, Madhumita M, Harth Y, Bechstein S, Friis J, Riemer C, Kumar N, Parkkinen S, Shpudeiko V. Skin & Digital-the 2022 startups. Dermatologie (Heidelb). 2023 Nov;74(11):899-903. English. doi: 10.1007/s00105-023-05204-8. Epub 2023 Aug 8. PMID: 37550513. https://www.researchgate.net/publication/372986021_Skin_Digital-the_2022_startups
